社交網(wǎng)絡的迅猛發(fā)展為人們提供了發(fā)表和分享個人言論的廣闊平臺,各種網(wǎng)絡數(shù)據(jù)迅速膨脹,越來越多的人在網(wǎng)絡上發(fā)表意見和表達情感,潛在用戶可以通過瀏覽這些主觀色彩的評論來了解大眾輿論對于某一事物或產(chǎn)品的看法,因此,如何利用自然語言處理（Natural Language Processing,NLP）技術分析社交網(wǎng)絡短文本的情感傾向,已經(jīng)成為研究人員關注的熱點。目前,深度學習方法已經(jīng)在很多情感分析任務中取得了先進的成果,這些研究多數(shù)使用卷積神經(jīng)網(wǎng)絡（Convolutional Neural Networks,CNN）和循環(huán)神經(jīng)網(wǎng)路（Recurrent Neural Networks,RNN）,尤其是LSTM（Long Short-Term Memory）和GRU（Gated Recurrent Unit）等RNN衍生網(wǎng)絡,不僅可以更好的解決文本序列問題,還可以一定程度上避免梯度消失,得到更好的分類效果。然而,深度學習模型通常作為“黑盒”使用,即模型只給出最后的分類結果,并未對模型的分類結果和決策做出可以理解的解釋,這使得用戶無法完全信任模型給出的結果從而無法幫助用戶進行合理的決策。同時,研究表明... 

【文章來源】：吉林大學吉林省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：62 頁

【學位級別】：碩士

【部分圖文】：

商品評論摘要

第1章緒論2根據(jù)已有經(jīng)驗，當人類對于某事物做出分析和判斷時，不僅僅基于該事物所給出的原有信息，而更多的是結合已有的知識，如常識、定理等進行思考。目前，現(xiàn)有的情感分析模型中多數(shù)只著眼于文本上下文特征間的關系挖掘，缺乏對深層神經(jīng)網(wǎng)絡外部知識的有效整合，如何利用已有的知識指導分類器決策，也成為本文研究的重點之一。1.2國內(nèi)外研究現(xiàn)狀如圖1.2所示，情感分析任務從層次上可分為：文檔級別情感分析、句子級別情感分析、特定方面級別情感分析[3]。例如一段評論文本“①Thisphonewasgiventomywifeasabirthdaygift,andshelikeditverymuch.②Theappearanceofthephoneisverycute,thepinkbodyisverysuitableforgirlstouse,thecameraisveryhighandhasautomaticbeautyfunction.③Thestandbytimeofmobileisaverage,butthisisacommonproblemwithsmartphones.④Thescreenislargeandclear,butthepriceisreallyexpensive.”針對此文本評論，文檔級別情感分析的任務是預測整段文本的情感傾向，句子級別情感分析的任務為分別預測句子①-⑤每一句的情感極性，而方面級別的情感分析任務是識別句子中不同特定方面“appearance”、“body”、“camera”、“standbytime”、“screen”和“price”的情感極性。圖1.2情感分析按層次分類目前，主流的情感分析方法按技術路線主要可分為3類[4]：1)基于詞典的方法；2)基于機器學習的方法；3)基于深度學習的方法：

第2章相關技術概述7第2章相關技術概述根據(jù)本文的研究內(nèi)容，在本章將就相關技術進行概述，首先介紹當下常用的word2vec技術，然后對注意力機制、Apriori算法、外部情感知識庫SenticNet進行介紹，最后對實驗涉及的3種深度神經(jīng)網(wǎng)絡進行描述，分別為CNN、LSTM和Transformer。2.1word2vec在自然語言處理任務中，文本單詞向量化是解決各類問題的重要前提。傳統(tǒng)的向量化方法，例如，one-hot表示、詞袋(BagofWords)和N-gram等模型，在當下深度學習迅速發(fā)展的背景下其存在的弱點和缺陷也越來越明顯，主要表現(xiàn)在：1）隨著詞典的不斷增大，向量維度也會不斷增長；2）字典的存儲會消耗非常大的空間資源；3）在一些模型中會出現(xiàn)稀疏性問題；4）穩(wěn)定性較差。為解決上述問題，近年來，word2vec技術[23]在自然語言處理任務中得到廣泛應用，如圖2.1所示，其利用簡單化的神經(jīng)網(wǎng)絡訓練詞向量，其中，輸入層的輸入為單詞的One-Hot向量，經(jīng)過沒有激活函數(shù)的隱藏層進行線性映射，最后通過softmax函數(shù)得到與輸入維度一致的輸出。目前，CBOW(ContinuousBag-of-Words)和Skip-Gram是word2vec技術最常用的兩種模型，在本節(jié)中將對這兩種模型進行詳細介紹。圖2.1word2vec工作流程

【參考文獻】：
期刊論文
[1]面向雙注意力網(wǎng)絡的特定方面情感分析模型[J]. 孫小婉,王英,王鑫,孫玉東.  計算機研究與發(fā)展. 2019(11)
[2]情感分類研究進展[J]. 陳龍,管子玉,何金紅,彭進業(yè).  計算機研究與發(fā)展. 2017(06)



本文編號：3494986